质量是企业赖以生存的基础,也是企业的核心竞争力之一。企业要在市场经济下获得竞争优势,求得生存和发展,就必须在产品生产过程中实施严格有效的质量控制。随着市场对质量的要求不断提高,传统的质量控制已经不能满足客户的需求,因此需要在加工过程中实施动态质量控制来满足生产的要求,并对产品的质量进行事前预防。由于顾客需求的日益多样化促使卖方市场向买方市场的转变,并且伴随着客户对产品的个性化需求的不断增长,多品种、小批量生产方式逐渐成为企业的主要经营模式。本文研究了基于小样本的统计过程质量控制的方法,同时还研究了小批量环境下控制图的模式识别问题,提出了基于支持向量机的控制图模式识别的新方法。本文的主要研究成果如下:首先,在综述了质量的内涵和质量控制的意义及其发展历程的基础上,分析和总结了质量控制领域的发展现状和发展趋势,并给出了加工过程中动态质量控制的研究思路和框架。其次,针对多品种小批量生产模式下质量信息的特点提出了动态质量控制的概念,分析和总结了现有的动态公差分配方法及其适用范围,建立了基于剩余加工能力的动态质量控制的模型。针对加工过程中的工序超差问题,动态的调整后续工序尺寸和公差,从而使后续加工过程得以优化和完善。再次,结合SPC(Statistical Process Control:统计过程控制)在大批量生产环境下应用的成功先例,分析了基于小样本的SPC研究方法存在的问题,综述了国内外的研究现状,并对现有的方法进行了归纳和对比。在此基础上,引入了贝叶斯预测理论,建立了工序质量的动态数学模型,并研究了该方法的参数估计、模型干预及实施步骤等,对该方法的控制参数进行了优化,并对该方法进行了实例分析。最后,分析了传统的控制图模式识别方法及其存在的缺陷,研究了基于支持向量机的控制图模式识别方法。通过选择适当的核函数,建立基于支持向量机的模型,并与基于神经网络的控制图模式识别方法进行了比较,证明了该模型的可行性和优越性。